本文探讨了车联网中联邦学习与集中式学习的可行性，分析了数据标注、模型训练和通信问题。联邦学习能够保护车辆数据隐私，促进模型协作开发。研究提出了多种框架和算法，以提高学习效果、降低通信开销，并解决车辆移动性和数据多样性问题，为未来研究指明方向。

该文介绍了一种半联合学习（SemiFL）范式，将基站和设备的计算能力结合起来，实现集中式学习和联邦学习的混合实施。实验结果显示，所提出的 SemiFL 在 MNIST 数据集上取得了 3.2% 的准确度提高。